买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜北方民族大学申请的专利一种基于深度集成及细节感知的细粒度三维模型分类方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115131780B 。

龙图腾网通过国家知识产权局官网在2025-03-07发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202210709888.0，技术领域涉及：G06V20/64；该发明授权一种基于深度集成及细节感知的细粒度三维模型分类方法是由白静;姬卉;邵会会;武如嵩设计研发完成，并于2022-06-22向国家知识产权局提交的专利申请。

本一种基于深度集成及细节感知的细粒度三维模型分类方法在说明书摘要公布了：本发明公开了一种基于深度集成及细节感知的细粒度三维模型分类方法，该方法是基于一个三维模型细分类网络实现三维模型多视图的细粒度分类，三维模型细分类网络由主干网络和辅助网络组成，主干网络由初始特征提取层、一组基学习器和一个深度集成学习器构成，用于学习多视图中包含的三维模型全局结构特征，辅助网络由上下文细节感知模块、视图最大池化层和全连接层构成，用于捕捉视图中包含的细节特征；将主干网络与辅助网络的分类决策相结合，形成整体网络的分类综合决策，并以此构建联合损失函数，使得三维模型细分类网络能将细粒度三维模型进行准确分类。本发明可有效捕捉细粒度判别性信息，在三个数据集中均具有良好的分类效果以及普适性。

本发明授权一种基于深度集成及细节感知的细粒度三维模型分类方法在权利要求书中公布了：1.一种基于深度集成及细节感知的细粒度三维模型分类方法，其特征在于，该方法是基于一个三维模型细分类网络实现三维模型多视图的细粒度分类，其中，所述三维模型细分类网络由主干网络和辅助网络组成，所述主干网络由初始特征提取层、一组基学习器以及一个深度集成学习器构成，用于学习多视图中包含的三维模型全局结构特征，所述辅助网络由上下文细节感知模块、视图最大池化层以及全连接层构成，用于捕捉视图中包含的细节特征；该细粒度三维模型分类方法的具体实施以下步骤：S1、将三维模型多视图序列输入主干网络中，通过初始特征提取层提取出各个视图中包含的特征信息，生成三维模型的初始特征图选择初始特征提取层的浅层特征图作为辅助网络的输入，其中k表示特征图来自于初始特征提取层的第k层，vi表示三维模型的第i张视图，一个三维模型共有V张视图；S2、将初始特征图分别送入对应的基学习器中，计算出每张视图的初始分类决策；初始决策信息进行拼接操作后，通过集成学习器得到主干网络的最终分类决策；S3、浅层特征图送入上下文细节感知模块，计算得到上下文细节感知特征图CFmn；通过平均池化操作进行降维后，将所有CFmn进行拼接，得到对应视图的细节感知特征DFi；最后利用视图最大池化层将细节感知特征进行整合，并通过全连接层计算出辅助网络的分类决策；所述上下文细节感知模块通过建立不同卷积层特征间的信息交互，提取出视图中包含的细节特征信息；首先对视图的卷积层特征对应位置进行点乘操作，获得第i个视图的上下文细节感知特征图CFmn；再利用拼接操作对不同层级间的上下文细节感知特征进行融合，形成对应视图的细节感知特征图DFi，最后通过全局平均池化层，将得到的细节特征进行降维，计算公式如下： DFi＝ConcatgCF12,gCF13,gCF23式中，m和n分别为初始特征提取层第四阶段的第m个和第n个残差块，和则表示从第m个和第n个残差块取出的浅层特征图，γ为矩阵变换操作，将输入的c×h×w大小的矩阵变换为c×n，而n＝h×w，c表示特征图的通道数，h表示特征图的高度，w表示特征的宽度，⊙为矩阵间的点乘操作；CFmn表示第m个和第n个残差块的浅层特征图的信息交互后的上下文细节感知特征图；CF12表示第1个和第2个残差块的浅层特征信息交互后的上下文细节感知特征图，CF13表示第1个和第3个残差块的浅层特征信息交互后的上下文细节感知特征图，CF23表示第2个和第3个残差块的浅层特征信息交互后的上下文细节感知特征图；g·为全局平均池化，Concat表示拼接操作；S4、将主干网络与辅助网络的分类决策相结合，形成整体三维模型细分类网络的分类综合决策，并以此构建联合损失函数，使得三维模型细分类网络能将细粒度三维模型进行准确分类，完成三维模型多视图的细粒度分类。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人北方民族大学，其通讯地址为：750021 宁夏回族自治区银川市西夏区文昌北街204号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。